X 光安检图像的目标检测是计算机视觉在公共安全领域最具代表性的应用之一。与自然图像不同，X 光成像具有穿透叠加、色彩编码（有机物橙色、无机物蓝色、金属深黑）、目标形态多变等特点，这决定了安检场景的检测算法必须走一条与通用目标检测既有交集、又有分野的技术路线。
一、传统方法时代：特征工程与分类器
早期方案依赖人工设计特征：HOG、LBP、SIFT 等特征描述子在 X 光图像上提取纹理与边缘信息，配合 SVM、AdaBoost 等分类器完成违禁品判别。这类方法的局限在于特征表达能力有限，对遮挡、堆叠、旋转等复杂情形鲁棒性不足，且每一类违禁品都需要单独调优，工程成本高企。
二、深度学习时代：从两阶段到单阶段检测
以 Faster R-CNN 为代表的两阶段检测器将候选区域生成与分类回归解耦，精度领先但推理较慢；YOLO 系列将检测重构为单次回归问题，实现了实时推理与端到端训练的统一，成为安检边缘设备部署的主流选择。近年来，基于 Transformer 的 DETR 及其变体将目标检测建模为集合预测问题，摆脱了锚框与 NMS 的后处理依赖，在精度上持续刷新纪录，但其算力需求与收敛特性仍需在安检场景中进一步验证。
三、安检场景的特殊约束
安检场景对算法提出了三类特殊约束：其一，类别不平衡极端严重——正常物品样本数量级远超违禁品，模型极易偏向多数类；其二，误报代价不对称——漏检（假阴性）直接威胁公共安全，误报（假阳性）则造成开包复核的人力浪费，需要在不同代价下寻找最优工作点；其三，多设备成像域差异——不同品牌、不同型号的 X 光机成像风格各异，模型需要具备跨域泛化能力。
四、工程化实践中的应对
针对上述约束，道信德辰在实践中采用了组合策略：基于大规模标注数据（含公开数据集迁移）训练基础检测模型；通过针对 X 光成像特点的数据增强（透视变换、混合叠加、亮度扰动）提升鲁棒性；引入难例挖掘与类别重加权缓解不平衡；最终在部署环节采用 AI 初筛 + 人工复核的人机协同机制，将模型的不确定性显式交给复核环节消化。这一技术栈在铁路场景的长期运行中，取得了检出率与误报率的工程可接受平衡。